推荐系统相关论文阅读笔记

Deep Pairwise Hashing for Cold-start Recommendation 论文阅读笔记

在线推荐的挑战:推荐效率和数据稀疏性问题。

本文:
数据稀疏性问题:统一用户-项目交互和项目内容信息,有效学习用户和项目的特征表示。
效率问题:提出Deep Pairwise Hashing (DPH),将用户和项目映射到汉明空间的二进制向量。

具体:首先通过Denoising Auto-encoder从项目内容中预训练项目的特征,然后添加一个带有离散约束的成对损失对整个框架进行微调。此外,DPH的目标是最小化成对排名损失,这与推荐的最终目标一致。最后,采用交替优化方法对所提出的离散约束模型进行优化。

基于CF的推荐(根据用户的历史交互数据)会面临冷启动和数据稀疏性问题,因此结合了内容信息。但是在线推荐场景中,用户和项目都是大规模的,会花费大量的时间。为了提高在线推荐的效率,一些研究提出了基于哈希的推荐框架【将用户和项目编码成汉明空间中的二进制向量】

  1. 哈希编码将用户的喜好形式化到汉明空间中,相似性以汉明距离作为度量。
  2. 从内容数据中学习项目特征表示(使用DAE [输出是输入的另一种表示,随机将输入的一些值置为0] , 可以处理噪声)
  3. 结合基于点对排序的哈希目标以及内容感知作为Deep Pairwise Hashing(可被设计成前k推荐的点对框架,用户u项目i,j分别哈希编码为bu和di,dj,预测的点对喜好Puij = Pui – Puj 。 如果这个值大于0,说明用户u更喜好项目i,否则相反。采用AUC作为度量标准)的目标,提高推荐的准确性和效率。
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值